-
POZNÁMKY K PREDNÁŠKAM
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180
KAMŠ FMFI
Kataŕına Janková
1.prednáška
Teória pravdepodobnosti sa zaoberá modelovańım experimentov
náhodnej po-vahy. V mnohých situáciách opakovanie experimentu
pri zachovańı rovnakých pod-mienok vedie k odlǐsným výsledkom.
Typickým pŕıkladom takýchto experimentovsú hazardné hry a s
nimi je história pravdepodobnosti úzko zviazaná. Siaha do
13.storočia (Richard de Fournival:De Vetula), ale známeǰsia je
korešpondencia medziPascalom a Fermatom zo storočia sedemnásteho
a neskoršie výsledkyBernoulliho, de Moivrea a Laplacea.
Pojmy ako pravdepodobnosť, náhodnosť sa použ́ıvajú aj v
bežnej reči. My sapokúsime ich matematicky formalizovať.
Pre začiatok budeme predpokladať, že experiment je
jednoduchý , a teda(1) všetky jeho možné výsledky sa dajú
poṕısať konečnou množinou,(2) všetky možné výsledky sú z
ȟladiska toho, ako často nastávajú rovnocenné
Množinu všetkých možných výsledkov experimentu budeme
nazývať množinou ele-mentárnych udalost́ı a značǐt Ω. S
experimentom môžu byť spojené aj iné udalosti.
1.1 Pŕıklad. Pri hode kockou zrejme Ω = {1, 2, 3, 4, 5, 6}
Prirodzene môžeme pritomto experimente uvažovať aj tvrdenia o
jeho výsledku, napr.A padlo párne č́ısloB padlo č́ıslo vačšie
ako 3C padlo č́ıslo delitělné tromiktoré sú pravdivé alebo
nepravdivé. Tieto výroky možeme reprezentovaťpodmnožinami Ω,
napr. A = {2, 4, 6}, B = {4, 5, 6}, C = {3, 6} a budeme
ichnazývať udalosťami.
V pŕıpade, že Ω je konečná, udalosťou budeme rozumieť
ľubovǒlnú podmnožinuΩ a systém všetkých udalost́ı označ́ıme
S. Udalosť A nastáva, ak výsledkom exper-imentu je elementárna
udalosť ω taká, že ω ∈ A. Pretože udalosti sme stotožnilis
množinami, fungujú medzi nimi relácie a operácie, na ktoré sme
zvyknut́ı akozjednotenie, prienik, komplement, atď. Konkrétne pre
A,B ∈ S udalosť A ∪ Bnastáva, ak nastáva aspoň jedna z
udalost́ı A,B. Podobne vieme vyjadrǐt A ∩ B,A−B, Ac.
Typeset by AMS-TEX1
-
2 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
V pravdepodobnostnom žargóne sa špeciálne pomenúvajú ∅ ako
nemožná uda-losť a Ω ako istá udalosť. Zatiǎl sme sa
zaoberali len štruktúrou systému udalost́ı.Naš́ım najbližš́ım
ciělom bude priradǐt každej udalosti č́ıslo , (napr. ku
ktorémuby konvergovala relat́ıvna početnosť výskytu tejto
udalosti pri n opakovaniachpokusu , n → ∞). Na predpokladoch (1) a
(2) je založená defińıcia pravdepodob-nosti, s ktorou ste sa
stretli na stredných školách a označuje sa ako klasická
aleboLaplaceova defińıcia.
1.2 Defińıcia. Za predpokladu (1) a (2) je pravdepodobnosť
ľubovoľnej udalostiA ⊂ Ω daná vzťahom
P (A) =|A||Ω|
kde |.| označuje počet prvkov množiny. Trojicu (Ω,S, P )
budeme nazýva klasickýmpravdepodobnostným priestorom.
S takouto defińıciou vystač́ıme pri celej rade úloh. Môžu
sa však vyskytnúť ajproblémy, ktoré súvisia s platnosťou
predpokladov (1) resp. (2).
1.3 Pŕıklad. Hádžeme trikrát mincou. Aká je
pravdepodobnosť, že dvakrát padneznak? Jednoduché riešenie
typu : znak padne ani raz, jedenkrát, dvakrát alebotrikrát, teda
pravdepodobnosť je 14 je nesprávne . (Prečo?) Správne
riešeniepoužit́ım klasickej defińıcie dostaneme, ak situáciu
modelujeme pomocou množinytroj́ıc Ω0×Ω0×Ω0, kde Ω0 = {Z, H}. Potom
A = {(H,Z, Z), (Z, H, Z), (Z, Z,H)}a teda P (A) = 38 .
1.4 Pŕıklad. Dvaja hráči A a B hrajú sériu partíı . V
každej hodia mincou a akpadne hlava, vyhráva hráč A, ak znak,
tak partiu vyhráva hráč B. Hráči hrajú o istúsumu a vyhráva
ju ten, kto prvý vyhrá 6 partíı. Hru museli prerušǐt, keď A
mal 5vyhraných partíı a B 3. Ako treba spravodlivo (t.j. úmerne
k pravdepodobnostiamvýhier jednotlivých hráčov) rozdelǐt
výhru? Ak označ́ıme ako A výhru hráča A apodobne B, tak hra sa
bude vyv́ıjať jedným z nasledujúcich spôsobov:
A,BA, BBA, BBB
Tieto výsledky však nemožno brať za elementárne udalosti v
zmysle defińıcie 1.2 ,lebo nesṕlňajú (2). Ak ju chceme
použǐt, muśıme uvažovať všetky možné výsledkytroch
partíı, po ktorých určite bude rozhodnuté, teda
Ω = {AAA,AAB, ABA,ABB,BAA,BAB,BBA,BBB}
a dostaneme spravodlivé delenie v pomere 7:1 pre hráča A.
Pretože všetky tietosérie sa v realite nedohrajú do konca
celkom prirodzene sa tu núka použǐt modelΩ0 = {A, BA,BBA,BBB}, v
ktorom elementárne udalosti nebudú rovnocenné,ale P (A) = 12 , P
(BA) =
14 , P (BBA) = P (BBB) =
18 . Toto už nie je klasický
model, ale cesta k jeho zovšeobecneniu.
Aj predpoklad (1) sa stane problematickým v celkom
jednoduchých situáciách,ako uvid́ıme v nasledujúcom
pŕıklade.
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 3
1.5 Pŕıklad. Hádžeme mincou, kým prvýkrát nepadne hlava a
zauj́ıma nás početuskutočnených hodov. Pretože muśıme
pripustǐt postupnosť (Z,Z, Z, . . . ) akovhodný priestor
elementárnych udalost́ı sa zdá Ω = N ∪ {∞}, čo už sa
vymykáklasickej defińıcii.
Ďaľsou situáciou, v ktorej si neporad́ıme s klasickou
defińıciou pravdepodob-nosti bude, ak Ω je napŕıklad celý
interval jedno alebo viacrozmerný . Predtýmnež zavedieme
všeobecnú defińıciu pravdepodobnosti, ukázeme si, ako sa dá v
niek-torých pŕıpadoch problém jednoducho riešǐt. Pri
poč́ıtańı pravdepodobnosti, žepadajúci meteorit dopadne na
pevninu je prirodzené použǐt podiel plochy pevninya celého
zemského povrchu. Podobne budeme postupovať, ak Ω je časťou
roviny avieme merať jeho plochu.
1.6 Defińıcia. Nech Ω ⊂ R2 a A ⊂ Ω, pričom poznáme plochy
S(A) < ∞, S(Ω) <∞. Geometrickou pravdepodobnosťou udalosti A
budeme rozumieť č́ıslo
P (A) =S(A)S(Ω)
1.7 Poznámka. Defińıcia predpokladá, že máme na nejakom
systéme podmnož́ınmnožiny Ω definovanú plochu S, čo by chcelo
podrobneǰśı rozbor. Zrejme to neb-ude systém všetkých
podmnož́ın, ale bude mať rozumné vlastnosti(uzavretosť naisté
operácie a pod). Tomuto sa budeme venovať neskôr, teraz si
ukážeme, žegeometrická defińıcia je použitělná vo
viacerých zauj́ımavých pŕıkladoch.
1.8 Pŕıklad. Janko a Marienka si dohovorili stretnutie na dobu
medzi 13. a 14.hodinou , pričom prvý čaká dvadsať minút a ak
sa nedočká druhého, tak od́ıde .Aká je pravdepodobnosť, že sa
stretnú?
1.9 Pŕıklad. Palica d́lžky 1m je dvomi deliacimi bodmi
náhodne rozlomená na 3časti tak, že každý deliaci bod má
rovnakú šancu padnúť do intervalu pevnej d́lžky.Aká je
pravdepodobnosť, že z takýchto čast́ı poskladáme
trojuholńık?
1.10 Pŕıklad. V kružnici s polomerom r náhodne vedieme
tetivu. Aká je pravde-podobnosť, že jej d́lžka je vačšia ako
strana rovnostranného trojuholńıka vṕısanéhodo kružnice?
Uvažujte rôzne možnosti vǒlby tetivy a porovnajte
výsledky.
1.11 Poznámka. V pŕıkladoch takéhoto typu treba dávať pozor
na presnú for-muláciu, náhodné volenie bodu z nejakej
podmnožiny treba presne poṕısať, inaksa dá dospieť k
nejednoznačným výsledkom ako napr. v Pŕıklade 1.9
(Bertrandovparadox). Tento presný popis je zatiǎl pre nás
ťažkopádny, neskôr naň použijemevǒlbu vhodného
pravdepodobnostného rozdelenia.
Klasická i geometrická defińıcia sa dajú použǐt v mnohých
úlohách, ale zďalekanepokryjú všetky situácie. Majú však
spoločné viaceré vlastnosti (ktoré?) a vďaľsom ich použijeme
pri vytvoreńı axiomatickej defińıcie pravdepodobnosti.
-
4 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
2. prednáška
Na minulej prednáške sme urobili 2 pravdepodobnostné modely
(klasický modela model geometrickej pravdepodobnosti v rovine). V
oboch pŕıpadoch sme vytvorilitrojice (Ω,S, P ), kde S bol systém
udalost́ı a P : S → R funkcia. Ako sme videli,systém udalost́ı S
nemuśı obsahovať všetky podmnožiny množiny Ω, ale budemeod
neho vyžadovať, aby bol uzavretý na isté operácie.
2.1 Defińıcia. Nech Ω 6= ∅. Neprázdny systém S podmnož́ın
množiny Ω budemenazývať σ algebrou , ak plat́ı
(1) Ak A ∈ S, tak Ac ∈ S(2) Ak Ai ∈ S, i = 1, 2, . . . , tak
⋃∞i=1 Ai ∈ S.
2.2 Pŕıklad. Najmenšou σ algebrou obsahujúcou neprázdnu
množinu A ⊂ Ω jesystém {A, Ac, ∅, Ω}.
σ algebra bude uzavretá aj na iné rozumné operácie.
2.3 Veta. Ak Ω 6= ∅ a S je nejaká σ algebra podmnož́ın
množiny Ω, tak(1) Ak A1, . . . An ∈ S, tak
⋃ni=1 ∈ S
(2) Ak Ai ∈ S, i = 1, 2, . . . , tak⋂∞
i=1 Ai ∈ S.(3) Ak A,B ∈ S, tak A \B ∈ S.
2.4 Lema. Pre ľubovoľný systém Z podmnož́ın množiny Ω
existuje najmenšia σalgebra obsahujúca Z.2.5 Defińıcia.
Najmenšiu σ algebru nad systémom podmnož́ın Z množiny Ωbudeme
označovať σ(Z) a volať σ algebrou generovanou systémom Z.2.6
Defińıcia. Najmenšiu σ algebru nad systémom
G = {G ⊂ R; G je otvorená v R}
podmnož́ın množiny R budeme nazývať systémom borelovských
množ́ın v R a značǐtB.2.7 Veta. Ktorékoľvek z nasledujúcich
podmnož́ın R sú borelovské
(1) jednobodové množiny(2) spočitateľné množiny(3)
intervaly akéhokoľvek typu
V zmysle nasledujúceho pŕıkladu systém B možno chápať aj
ako najmenšiu σalgebru obsahujúcu intervaly v R.
2.8 Úloha. Uvažujte nasledujúce systémy podmnož́ın množiny
R(1) T1 = {(−∞, b); b ∈ R}(2) T2 = {〈a, b); a, b ∈ R}(3) T3 = {(−∞,
b〉; b ∈ R}(4) T4 = {(a, b〉; a, b ∈ R}Ukážte, že σ(T1) = σ(T2) =
· · · = σ(T4) = B
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 5
2.9 Poznámka. Podobne sa definuje systém Bn všetkých
borelovských množ́ın vRn.
Teraz môžeme zaviesť pravdepodobnosť axiomaticky poďla A.
N. Kolmogorova.
2.10 Defińıcia. Nech Ω je naprázdna a S je σ algebra
podmnož́ın Ω. Ľubovǒlnúreálnu funkciu P : S → R+, pre ktorú
plat́ı
(1) P (Ω) = 1(2) Ak Ai ∈ S, i = 1, 2, . . . pričom Ai ∩Aj = ∅
pre i 6= j, tak
P (∞⋃
i=1
Ai) =∞∑
i=1
P (Ai)
budeme nazývať pravdepodobnosť a trojicu (Ω,S, P )
pravdepodobnostný priestor.V nasledujúcej vete zhrnieme
základné vlastnosti pravdepodobnosti, ktoré možno
odvodǐt z axióm.
2.11 Veta. Nech (Ω,S, P ) je pravdepodobnostný priestor.
Potom(1) P (∅) = 0(2) (konečná aditivita) P (
⋃ni=0 Ai) =
∑ni=0 P (Ai) ak Ai ∩Aj = ∅ for i 6= j
(3) Pre každé A ∈ S : 0 ≤ P (A) ≤ 1(4) P (Ac) = 1− P (A)(5)
(monotónnosť) Ak A,B ∈ S a A ⊂ B, tak P (A) ≤ P (B)(6)
(subtrakt́ıvnosť) Ak A,B ∈ S a A ⊂ B, tak P (B \A) = P (B)− P
(A)(7) Ak A,B ∈ S, tak P (A ∪B) = P (A) + P (B)− P (A ∩B)(8) Pre Ai
∈ S, i = 1, 2 . . . plat́ı
P (n⋃
i=1
Ai) =n∑
i=1
P (Ai)−n∑
i
-
6 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
3.prednáška
Výsledky náhodného experimentu vieme modelovať
pomocoupravdepodobnostného priestoru (Ω,S, P ). Teraz sa budeme
zaoberať otázkou, akosa zmeńı pravdepodobnosť udalosti A ∈ S,
ak vieme, že udalosť B ∈ S nastala.3.1 Defińıcia. Podmienenou
pravdepodobnosťou udalosti A ∈ S za podmienky,že nastala udalosť
B ∈ S taká, že P (B) > 0 budeme rozumieť č́ıslo
P (A|B) = P (A ∩B)P (B)
Označme ΩB = B, SB = {B ∩ S, S ∈ S} a pre ľubovǒlné A ∈ SB
nechPB(A) = P (A|B). Miesto pôvodného modelu budeme použ́ıvať
model daný troji-cou (ΩB ,SB , PB), o ktorej ukážeme, že tvoŕı
pravdepodobnostný priestor.3.2 Veta. Nech A,B ∈ S, P (B) > 0.
Potom SB je σ algebra podmnož́ın množinyB a PB je
pravdepodobnostná miera na nej.
Z defińıcie podmienenej pravdepodobnosti vidno, že ju možno
použǐt pri poč́ıtańıpravdepodobnost́ı prienikov udalost́ı .
3.3 Veta. Nech A1, . . . , An ∈ S sú také, že P (A1 ∩ · · ·
∩An−1) > 0. Potom
P (∩ni=1Ai) = P (A1)P (A2|A1) . . . P (An|A1 ∩ · · · ∩An−1)
Znalosti podmienených pravdepodobnost́ı danej udalosti
vzȟladom k udalostiamrozkladu množiny Ω umožňujú jednoducho
poskladať pravdepodobnosť udalostipoďla nasledujúcej vety.
3.4 Veta o úplnej pravdepodobnosti. Nech Aj ∈ S, P (Aj) > 0,
j = 1, 2 . . .pričom
⋃∞j=1 Aj = Ω a Ai ∩Aj = ∅ pre i 6= j. Potom pre ľubovoľné B ∈
S
P (B) =∞∑
j=1
P (B|Aj)P (Aj)
3.5 Pŕıklad. Skúška obsahuje otázky z pravdepodobnosti(60) a
zo štatistiky(40).Študent sa naučil 80 percent otázok z
pravdepodobnosti a 50 percent otázok zoštatistiky. Aká je
pravdepodobnosť, že na náhodne vytiahnutú otázku
odpoviesprávne? Ak odpovedal správne, aká je pravdepodobnosť,
že bola zo štatistiky?
Pri riešeńı druhej časti pŕıkladu sme dospeli ku vzťahu
známemu pod názvomBayesova veta.
3.6 Veta. Nech Aj ∈ S, P (Aj) > 0, j = 1, 2 . . .
pričom⋃∞
j=1 Aj = Ω a Ai∩Aj = ∅pre i 6= j. Potom pre ľubovoľné B ∈ S,
P (B) > 0 plat́ı
P (Aj |B) = P (B|Aj)P (Aj)∑∞j=1 P (B|Aj)P (Aj)
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 7
Bayesova veta má mnohé aplikácie v rôznych oblastiach,
ukážeme si jeden pŕıkladz medićıny. V lekárskej diagnostike
udalosti A1, . . . An predstavujú možné chorobypacienta.
Pravdepodobnosti ich výskytu sú známe a berieme ich ako tzv
apriórnepravdepodobnosti. Udalosť B predstavuje nejaký symptóm
alebo výsledok testu,ktorý sa s pravdepodobnosťami P (B|Aj)
vyskytuje pri chorobe Aj . Na základeBayesovej vety potom vieme
určǐt aposteriórne pravdepodobnosti chorôb P (Aj |B).3.7
Úloha. U pacienta je podozrenie na chorobu, ktorá sa vyskytuje u
0.5 percentapopulácie. Diagnostický test je pozit́ıvny s
pravdepodobnosťou 0.95, ak osoba mátúto chorobu (senzitivita
testu) a je negat́ıvny s pravdepodobnosťou 0.9 (špecificitatestu)
, ak osoba túto chorobu nemá. Ak výsledok testu bol pozit́ıvny,
aká jepravdepodobnosť, že pacient naozaj trṕı touto
chorobou?
V niektorých situáciách sa môže stať, že P (A|B) = P (A).
Toto možno inter-pretovať tak, že nastatie udalosti B
neovplyvnilo pravdepodobnosť udalosti A , čovedie k
nasledujúcemu dôležitému pojmu.
3.8 Defińıcia. Nech (Ω,S, P ) je pravdepodobnostný priestor,
A,B ∈ S. UdalostiA,B sú nezávislé, ak P (A ∩B) = P (A)P (B).3.9
Poznámka.. Nezávislosť udalost́ı sa často mýli s tým, že
udalosti majú prázdnyprienik (vylučujú sa). Treba si uvedomǐt,
že vylučujúce sa udalosti sú nezávislévtedy a len vtedy ak
jedna z nich má nulovú pravdepodobnosť.
3.10 Pŕıklad. Pri n-násobnom hode kockou uvažujme
nasledujúce udalosti:
Ai = {pri i-tom hode padne šestka}, 1 ≤ i ≤ nUdalosti Ai, Aj
sú pre i 6= j nezávislé. (Overte na základe modelu).3.11
Pŕıklad. Skúšajúci skúša vždy skupinu n študentov, pre
ktorých má sadun otázok. Na prvom termı́ne nikto neuspel, preto
celá skupina prǐsla na opravnýa každý dostal jednu z tej istej
sady . Označme Ai udalosť, že i ty študent sina opravnom
termı́ne vytiahol tú istú otázku ako na riadnom. Zrejme Ai a
Ajpre i 6= j nie sú nezávislé. Vypoč́ıtajte pravdepodobnosť,
že aspoň jeden študentdostane tú istú otázku ako mal.
V predošlých pŕıkladoch sme overovali na základe defińıcie
vždy nezávislosť dvo-jice udalost́ı. V nasledujúcej defińıcii
rozš́ırime tento pojem pre skupinu udalost́ı.
3.12 Defińıcia. Nech (Ω,S, P ) je pravdepodobnostný priestor.
UdalostiA1, . . . , An ∈ S sú skupinovo nezávislé, ak pre
každé k a pre každé i1 . . . ik ∈{1 . . . n} plat́ı
P (Ai1 ∩ · · · ∩Aik) = P (Ai1) . . . P (Aik)
Udalosti A1, . . . , An z pŕıkladu sú po dvoch nezávislé a
aj skupinovo nezávislé.Nie vždy to muśı byť tak.
3.13 Úloha. Ukážte, že existujú udalosti A,B, C nezávislé
po dvoch, ale nieskupinovo.Takisto ukážte, že existujú udalosti
A,B, C tak, že P (A ∩ B ∩ C) =P (A)P (B)P (C), ale A,B, C nie sú
skupinovo nezávislé.
-
8 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
3.14 Veta. Nech (Ω,S, P ) je pravdepodobnostný priestor a
udalosti A1 . . . An ∈ Ssú združene nezávislé. Nech B1 . . . Bn
sú také, že Bi = Ai alebo Bi = Aci . PotomB1 . . . Bn sú
nezávislé.
3.15 Úloha. Nech (Ω,S, P ) je pravdepodobnostný priestor a
udalosti A1 . . . An ∈ Ssú združene nezávislé. Ukážte,
že
P (n⋃
j=1
Aj) = 1− P (Ac1) . . . P (Acn)
3.16 Pŕıklad. 5x hádžeme kockou.Aká je pravdepodobnosť, že
šestka padne právena 1., 2. a 4. mieste? Aká je
pravdepodobnosť, že práve trikrát padne šestka? Akpoužijeme
označenie pŕıkladu v prvej otázke ide o pravdepodobnosť
udalosti B = (A1 ∩A2 ∩Ac3 ∩A4 ∩Ac5) .Využit́ım združenej
nezávislosti udalost́ıA1 . . . An a Vety 3.14 dostávame
P (B) = P (A1)P (A2)(1− P (A3))P (A4)(1− P (A5)) = (16)3(
56)2
V druhom pŕıpade ide o pravdepodobnosť udalosti
C = (A1 ∩A2 ∩A3 ∩Ac4 ∩Ac5) ∪ · · · ∪ (Ac1 ∩Ac2 ∩A3 ∩A4 ∩A5)
kde zjednocujeme(52
)disjunktných udalost́ı, z ktorćh každá má
pravdepodobnosť
( 16 )3(56 )
2, čo dáva
P (C) =(
52
)(16)3(
56)2
Zovšeobecneńım úvah z predošlého pŕıkladu dostaneme model
nezávislého opako-vania pokusu známy tiež pod názvom
Bernolliho schéma. Predpokladajme , že nxnezávisle opakujeme
pokus, v ktorom nastáva istá sledovaná udalosť s
pravdepodob-nosťou p ∈ (0, 1). Potom pravdepodobnosť, že pri
n-násobnom opakovańı nastanetáto udalosť práve k-krát, kde 0
≤ k ≤ n je
(n
k
)pk(1− p)n−k
3.17 Pŕıklad. Použit́ım Bernoulliho schémy ukážte, že
plat́ı rovnosť
n∑
k=0
(n
k
)pk(1− p)n−k = 1
3.18 Úloha. Test obsahuje 10 otázok, na každú sú štyri
možnosti odpovede, zktorých iba jedna je správna. Na to, aby
študent urobil test muśı správne odpovedaťaspoň na 6 otázok.
Aká je pravdepodobnosť, že tipujúci študent urob́ı test?
3.19 Úloha. Z urny obsahujúcej 3 biele a 4 modré guličky
vyberáme 4 guličky,pričom vytiahnutú vždy vrátime. Modelujte
situáciu poďla Bernoulliho schémy.Možno použǐt tento model,
ak vytiahnutú guličku nevraciame? Aký model fungujev tomto
pŕıpade?
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 9
4.prednáška
Na pravdepodobnostnom priestore (Ω,S, P ) každá elementárna
udalosť môžebyť č́ıselne ohodnotená . Toto sa dá poṕısať
funkciou z Ω do R.
4.1 Pŕıklad. Hrám s protihráčom jednoduchú hru: hod́ım
kockou a vyhrávam1Sk, ak padne 1, 2 alebo 3, vyhrávam 2Sk, ak
padne 4, 5 a prehrávam 6Sk, akpadne 6. Ak ma zauj́ıma výška
výhry, môžem ju chápať ako funkciu V : Ω → Rdefinovanú
nasledovne V (1) = V (2) = V (3) = 1, V (4) = V (5) = 2, V (6) =
−6.4.2 Defińıcia. Náhodná veličina je ľubovǒlná funkcia X :
Ω → R taká, že prekaždé x ∈ R :{ω ∈ Ω : X(ω) < x} ∈ S.4.3
Poznámka. Podmienka z defińıcie v terminológii teórie miery
hovoŕı , že funkciaX je meratělná vzȟladom k σ algebre S a
zabezpeč́ı nám, aby sme mohli uvažovaťpravdepodobnosti
udalost́ı typu P{ω ∈ Ω : X(ω) < x} a aj komplikovaneǰśıch,
akouvid́ıme z nasledujúceho tvrdenia.
4.4 Veta. Funkcia X : Ω → R je náhodná veličina vtedy a len
vtedy, ak plat́ıktorákoľvek z nasledujúcich podmienok:
(1) pre každé x ∈ R : {ω ∈ Ω : X(ω) ≤ x} ∈ S(2) pre každé x
∈ R : {ω ∈ Ω : X(ω) > x} ∈ S(3) pre každé x ∈ R : {ω ∈ Ω :
X(ω) ≥ x} ∈ S(4) pre každé a, b ∈ R : {ω ∈ Ω : a ≤ X(ω) < b} ∈
S(5) pre každú otvorenú množinu G v R: {ω ∈ Ω : X(ω) ∈ G} ∈
S(6) pre každú borelovskú množinu B ∈ B: {ω ∈ Ω : X(ω) ∈ B} ∈
S
4.5 Poznámka. Množiny vystupujúce v predošlom tvrdeńı sú
vzory intervalov resp.iných pekných množ́ın pri zobrazeńı X−1.
Napŕıklad {ω ∈ Ω : X(ω) < x} =X−1(−∞, x).4.6 Úloha. Dokážte,
že operácia X−1 zachováva množinové operácie, t.j.
X−1(∞⋃
i=1
Ai) =∞⋃
i=1
X−1(Ai)
podobne pre prienik a rozdiel.
Dôkaz vety 4.4 vyplynie z nasledujúcej lemy.
4.7 Lema. Nech Z je ľubovoľný systém podmnož́ın množiny R
taký, že σ(Z) = B.Nech X : Ω → R je taká, že pre každé Z ∈ Z
plat́ı X−1(Z) ∈ S. Potom X−1(B) ∈S pre každé B ∈ B.
Dôkaz. Uvažujme systém H = {B ∈ B : X−1(B) ∈ S}. Zrejme
(1) Z ⊂ H ⊂ B
Použit́ım Úlohy 4.6 sa ľahko ukáže, žeH je σ algebra
podmnož́ın množiny R. Potomale z (1) vyplýva, že H = B ¤.
-
10 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
Pretože s udalosťami typu {ω ∈ Ω : X(ω) ≤ x} budeme často
narábať, budemepouž́ıvať skrátené označenie {ω ∈ Ω : X(ω) ≤
x} = (X ≤ x), podobne chápemeudalosti (X < x), (X > x), (X ≥
x), (a ≤ x < b) a tak ďalej.4.8 Defińıcia. Distribučná
funkcia náhodnej veličiny X : Ω → R je funkcia F :R → R
definovaná predpisom F (x) = P (X < x).4.9 Pŕıklad.
Distribučná funkcia náhodnej veličiny z pŕıkladu bude mať
tvar
F (x) =
0, ak x ≤ −616 , ak −6 < x ≤ 123 ak 1 < x ≤ 21, ak x >
2
Vo všeobecnosti vlastnosti distribučnej funkcie zhrnieme do
nasledujúcej vety.
4.10 Veta. Nech F je distribučná funkcia náhodnej veličiny X
: Ω → R. Potom(1) F je neklesajúca(2) pre každé a, b ∈ R : P (a
≤ X < b) = F (b)− F (a)(3) F je zľava spojitá(4) limx→∞ F (x)
= 1(5) limx→−∞ F (x) = 0(6) pre každé a ∈ R: P (X = a) = limx→a+
F (x)− F (a)
Náhodná veličina definuje pravdepodobnostnú mieru na B v
nasledujúcomzmysle.
4.11 Veta. Nech X : Ω → R je náhodná veličina. Potom funkcia
µ : B → 〈0, 1〉definovaná predpisom µ(B) = P (X ∈ B) je
pravdepodobnostná miera a trojica(R,B, µ) je pravdepodobnostný
priestor. Túto mieru budeme nazývať rozdeleńımpravdepodobnosti
náhodnej veličiny X.
4.12 Úloha. Ako vyzerá rozdelenie pravdepodobnosti náhodnej
veličiny Vz Pŕıkladu 4.9?
4.13 Poznámka. Zrejme rozdelenie pravdepodobnosti jednoznačne
určujedistribučnú funkciu. Dá sa ukázať, že to plat́ı aj
obrátene.
4.14 Defińıcia. Náhodná veličina je diskrétna, ak nadobúda
konečne alebospočitatělne věla hodnôt.
Ak hodnoty diskrétnej náhodnej veličiny zorad́ıme do
postupnosti {xi} , i =1, 2, . . . (konečnej alebo nekonečnej) a
pre každú hodnotu nájdeme pravdepodob-nosť P (X = xi) =
pi,tak
∑∞i=1 pi = 1 a dvojice (xi, pi), i = 1, 2, . . .
jednoznačne
určujú distribučnú funkciu a teda aj rozdelenie diskrétnej
náhodnej veličiny.
4.15 Úloha. Ukážte, že distribučná funkcia diskrétnej
náhodnej veličiny má tvar
F (x) =∑
{i:xi
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 11
5.prednáška
Pokúsime sa čo najlepšie charakterizovať náhodnú premennú
pomocou jednéhoč́ısla. V pŕıklade 6.1 je rozumné si položǐt
otázku, či je definovaná hra fairová, alebozjavne zvýhodňuje
jedného z hráčov. Predpokladajme, že by sa odohrala séria
paríıtejto hry, povedzme n. Ak n je dosť vělké, možno
očakávať, že asi v polovici partíıvyhrám 1Sk, v tretine
vyhrám 2Sk a v šestine prehrám 6Sk. To znamená, že
môžemčakať výhru asi n 12 + 2n
13 − 6n 16 . Teda priemerná výhra na jednu partiu by
činila
( 12 +213−1) = 16Sk. To znamená , že hra nie je fairová (z
mojej poźıcie je výhodná).
Defińıcia 5.1. Nech X je diskrétna náhodná veličina ,
ktorá nadobúda hodnotyxi, i = 1, 2. . . . s pravdepodobnosťami
pi = P (X = xi). Strednou hodnotounáhodnej veličiny X nazveme
č́ıslo E(X) =
∑∞i=1 xipi, ak tento rad konverguje
absolútne. Ak rad nekonverguje absolútne budeme hovorǐt, že
náhodná veličinanemá strednú hodnotu.
V pravdepodobnosti sa obyčajne neštudujú náhodné veličiny
ako reálnefunkcie, ale zaoberáme sa ich rozdeleńım
pravdepodobnosti. Uvedieme niektorénajčasteǰsie použ́ıvané
diskrétne rozdelenia. Rozdelenie diskrétnej náhodnej veličinyje
dané, ako vieme, množinou dvoj́ıc (xi, pi), i = 1, 2, . . . ,
∑∞i=0 pi = 1
5.2 Pŕıklad. Alternat́ıvne rozdelenie. V modeli hádzania
mincou Ω = {H,Z},S = 2Ω, P (h) = P (Z) = 12 budeme uvažovať
náhodnú premennú X : Ω → {0, 1}definovanú predpisom X(H) = 0,
X(Z) = 1. Táto náhodnáveličina nadobúdahodnoty 0 a 1, každú
s pravdepodobnosťou 12 .
5.3 Defińıcia. Náhodná veličina má alternat́ıvne rozdelenie
s parametrom p ∈(0, 1), ak P (X = 1) = p a P (X = 0) = 1− p5.4
Pŕıklad. Binomické rozdelenie. Pri n- násobnom hode kockou (Ω
={1, 2, 3, 4, 5, 6}6),S = 2Ωa P klasická definujeme náhodnú
premennú X ako početpadnutých šestiek. Z Bernoulliho schémy
vieme, že
P (X = k) =(
n
k
)(16)k(
56)n−k
pre k = 0, 1, . . . n.
5.5 Defińıcia. Náhodná veličina má binomické rozdelenie s
parametrami n ∈ Na p ∈ (0, 1), ak nadobúda hodnoty k = 0, 1, . . .
n s pravdepodobnosťami
P (X = k) =(
n
k
)pk(1− p)n−k
Toto rozdelenie môžeme použǐt na modelovanie náhodného
výberu s návratom.Ak máme v urne N guličiek, z toho M bielych a
zvyšok čiernych a z takejto urnyťaháme n guličiek s
vráteńım, tak počet bielych z vytiahnutých je náhodná
veličinas binomickým rozdeleńım s parametrami n a MN . Ak
experiment zmeńıme tak, žeťaháme bez návratu pre počet
bielych bude správne nasledujúce rozdelenie.
5.6 Defińıcia. Hypergeometrické rozdelenie. Náhodná
veličina X má hyper-geometrické rozdelenie s parametrami N, M,n
ak
P (X = k) =
(Mk
)(N−Mn−k
)(Nn
)
-
12 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
pre max{0, n + M −N} ≤ k ≤ min{M, N}5.7 Úloha. overte, že
defińıcie 6.4 a 6.5 sú korektné, t.j.
∑nk=0 P (X = k) = 1.
5.8 Pŕıklad. Hádžeme kockou, kým prvýkrát nepadne šestka.
Náhodná veličina Xpredstavuje počet neúspešných hodov.
Zrejme P (X = k) = ( 56 )
k 16 pre k = 0, 1, . . . .
Vo všeobecnosti podobné rozdelenie dostaneme, ak v
postupnostinezávislých (Bernoulliho) pokusov sledujeme počet
neúspechov pred prvýmúspechom. Pravdepodobnosť úspechu
označujeme p, neúspechu 1− p.5.9 Defińıcia. Náhodná veličina
má geometrické rozdelenie s parametrom p ∈(0, 1), ak P (X = k) =
p(1− p)k pre k = 0, 1, . . . .5.10 Veta. Nech (Ω,S, P ) je
pravdepodobnostný priestor a Xn sú pre n = 1, 2, . . .náhodné
veličiny na (Ω,S) s binomickým rozdeleńım s parametrami n a pn,
pričomlimn→∞ npn = λ, λ > 0. Potom
limn→∞
P (Xn = k) = e−λλk
k!
5.11 Defińıcia. Náhodná veličina má Poissonovo rozdelenie s
parametrom λ > 0,ak
P (X = k) = e−λλk
k!pre k = 0, 1, . . . .
5.12 Pŕıklad. Overte, že defińıcie 6.8 a 6.10 sú
korektné.
5.13 Úloha. Vypoč́ıtajte strednú hodnotu binomického
rozdelenia s parametramin ap (E(X) = np).
5.14 Úloha. Vypoč́ıtajte strednú hodnotu geometrického
rozdelenia s parametromp (E(X) = 1−pp ).
5.15 Úloha. Vypoč́ıtajte strednú hodnotu Poissonovho
rozdelenia s parametromλ (E(X) = λ).
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 13
6.prednáška
Pre náhodnú premennú X v mnohých pŕıpadoch treba uvažovať
zloženú funkciug(X), kde g : R → R je reálna funkcia. Uvedieme
si podmienku na g, ktorá námzaruč́ı , že Y = g(X) je náhodná
veličina.
6.1 Defińıcia. Funkcia g : R → R je borelovská, ak pre každú
borelovskú množinuB plat́ı g−1(B) ∈ B.6.2 Veta. Ak X je náhodná
veličina a g : R → R je borelovská, tak g(X) jenáhodná
veličina.
6.3 Veta. Spojitá funkcia je borelovská.
6.4 Poznámka. Ak X je diskrétna náhodná veličina a g : R →
R ľubovǒlná funkcia,tak g(X) je náhodná veličina.
6.5 Veta. Nech X je diskrétna náhodná veličina
nadobúdajúca hodnoty xi , i =0, 1, 2, . . . a g : R → R je
ľubovoľná reálna funkcia. Potom
E(g(X)) =∞∑
i=0
g(xi)P (X = xi)
ak g(X) má strednú hodnotu.
Dôkaz. Označme Y = g(X) a predpokladajme, že Y nadobúda
rôzne hodnotyyj , j = 1, 2, . . . Potom P (Y = yj) =
∑i:g(xi)=yj
P (X = xi) a teda ak E(Y ) existuje,tak
E(Y ) =∞∑
j=0
yjP (Y = yj) =∞∑
j=0
yj∑
i:g(xi)=yj
P (X = xi) =∞∑
i=0
g(xi)P (X = xi)
kde sme v poslednej rovnosti využili, že
∞⋃
j=0
⋃
{i:g(xi)=yj}(X = xi ∧ Y = yj) =
∞⋃
i=0
(X = xi) ¤
6.6 Veta. Ak X, Y sú náhodné veličiny, tak aj X + Y ,X − Y ,
XY , XY , ak Y 6= 0sú náhodné veličiny.
6.7 Pŕıklad. Predošlú vetu použijeme na vypoč́ıtanie
strednej hodnoty hyperge-ometrického rozdelenia. Náhodná
veličina Z s hypergeometrickým rozdeleńım sparametrami N, M, n
sa dá vyjadrǐt ako súčet Z = X1 + · · · + Xn kde Xi
majúalternat́ıvne rozdelenie s parametrom MN . Teda E(Z) = E(X1)+·
· ·+E(Xn) = nMN .
V nasledujúcej vete zhrnieme niektoré vlastnosti strednej
hodnoty.
6.8 Veta. Ak X a Y sú diskrétne náhodné veličiny
definované na tom istompravdepodobnostnom priestore a c ∈ R je ľ
ubovoľné reálne č́ıslo, tak
(1) E(c) = c(2) E(cX) = cE(X)(3) E(X + Y ) = E(X) + E(Y )
-
14 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
Strednú hodnotu sme definovali ako č́ıslo, ktoré istým
spôsobom charakterizujenáhodnú premennú. O tom, nakoǩo je
takáto charakterizácia ”dobrá” nám budehovorǐt rozptyl alebo
disperzia náhodnej veličiny.
6.9 Defińıcia. Nech X je náhodná veličina so strednou
hodnotou E(X).Rozptyl (disperzia) náhodnej veličiny X je
č́ıslo
D(X) = E(X − E(X))2
ak táto stredná hodnota existuje.
6.10 Pŕıklad. Vypoč́ıtajme strednú hodnotu pre
alternat́ıvnerozdelenie s parametrom p. Zrejme E(X) = p. Potom
poďla Vety 7.2
E((X − E(X))2 = E(X − p)2 = (0− p)2(1− p) + (1− p)2p = p(1−
p)
Niekedy sa stredná hodnota dápoč́ıtať jednoduchšie
využit́ım nasledujúceho tvr-denia.
6.11 Veta. Nech X je náhodná veličina s disperziou D(X) a c ∈
R ľubovoľné .Potom
(1) D(X) ≥ 0(2) D(cX) = c2D(X)(3) D(X) = E((X − c)2)− (E(X −
c))2, špeciálne D(X) = E(X2)− (E(X))2(4) D(X) ≤ E(X − c)2
6.12 Dôsledok. Disperzia je invariantná vzhľadom k posunutiu,
t.j. D(X + c) =D(X) pre každé c ∈ R.6.13 Pŕıklad. Vypoč́ıtajme
disperziu Poissonovho rozdelenia s parametrom λ.Poďla Vety 6.5
E(X2) =∞∑
j=0
j2e−λλj
j!=
∞∑
j=1
(j − 1)e−λ λj
(j − 1)! +∞∑
j=1
e−λλj
(j − 1)! = λ2 + λ
teda s využit́ım 6.11 dostaneme
D(X) = E(X2)− E(X)2 = λ
6.14 Pŕıklad. Vypoč́ıtajte disperziu binomického rozdelenia
(D(X) = np(1− p)).6.15 Veta (Čebyševova nerovnosť). Nech
náhodná veličina X má strednú hod-notu E(X) a disperziu D(X).
Potom pre každé ε > 0
P (|X − E(X)| ≥ ε) ≤ D(X)ε2
Dôkaz. Budeme predpokladať,že X je diskrétna a nadobúda
hodnoty xi, i =1, 2 . . . s pravdepodobnosťami P (X = xi) = pi.
Označme S = {i : |xi−E(X)| ≥ ε}.Dostaneme
D(X) =∞∑
i=1
(xi − E(X))2pi =∑
i∈S(xi − E(X))2pi +
∑
i∈Sc(xi − E(X))2pi ≥
≥∑
i∈S(xi − E(X))2pi ≥
∑
i∈Sε2pi = ε2P (|X − E(X)| ≥ ε)
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 15
7. a 8. prednáška
Pojem nezávislosti sme v 3.prednáške definovali pre náhodné
udalosti. Terazho rozš́ırime na náhodné veličiny definované na
tom istom pravdepodobnostnompriestore.
7.1 Defińıcia. Nech (Ω,S, P ) je pravdepodobnostný priestor a
X,Y sú diskrétnenáhodné veličiny na ňom, pričom X nadobúda
hodnoty xi, i = 1, 2 . . . a Y nadobúdahodnoty yj , j = 1, 2, . .
. Potom X a Y sú nezávislé, ak pre každé i, j plat́ı
P (X = xi ∧ Y = yj) = P (X = xi)P (Y = yj)
7.2 Pŕıklad. Hádžeme dvomi kockami. Nech X je počet bodiek
na 1.kocke, Y jepočet bodiek na 2.kocke a Z je maximum z
padnutých bodiek. Ľahko sa oveŕı , žeX a Y sú nezávislé, ale
napr. X a Z nezávislé nie sú.
Ak sú X a Y nezávislé, mnohé situácie sa nám
zjednodušia.
7.3 Veta. Nech X, Y sú nezávislé náhodné veličiny na (Ω,S,
P ) so strednýmihodnotami E(X), E(Y ). Potom náhodná veličina
XY má strednú hodnotu
E(XY ) = E(X)E(Y )
7.4 Veta. Nech X, Y sú náhodné veličiny na (Ω,S, P ) so
strednými hodnotamiE(X), E(Y ) a disperziami D(X), D(Y ).
Potom
D(X + Y ) = D(X) + D(Y ) + 2E((X − EX)(Y − EY ))
Ak sú X a Y nezávislé, tak
D(X + Y ) = D(X) + D(Y )
Ukážeme si aplikáciu źıskaných výsledkov.
7.5 Pŕıklad. Náhodné veličiny X1, . . . , Xn sú nezávislé
a všetky majú alternat́ıvnerozdelenie s parametrom p. Nájdite
rozdelenie náhodnej veličiny Z = X1 + . . . Xn,jej strednú
hodnotu a disperziu.Náhodná veličina Z bude nadobúdať hodnoty
k = 0, 1, . . . n s pravdepodobnosťamiP (Z = k) =
∑ni=0
(ni
)pi(1 − p)n−i, to znamená, že Z má binomické rozdelenie
s
parametrami n a p. Strednú hodnotu ľahko spoč́ıtame
využit́ım Vety 6.6
E(Z) = E(X1 + . . . Xn) = E(X1) + . . . E(Xn) = np
Podobne disperziu binomického rozdelenia ľahko spoč́ıtame
využit́ım Vety 7.4 aPŕıkladu 6.9
D(Z) = D(X1 + . . . Xn) = D(X1) + . . . D(Xn) = np(1− p)
-
16 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
V predošlom pŕıklade sme našli rozdelenie súčtu náhodných
velič́ın zo znalostirozdeleńı jednotlivých sč́ıtancov. Toto
môžeme sformulovať aj vovšeobecnosti.
7.6 Veta. Nech X, Y sú nezávislé diskrétne náhodné
veličiny na (Ω,S, P ) s rozde-leniami P (X = i) = pi, i = 0, 1, 2,
. . . , P (Y = j) = qj , j = 0, 1, 2, . . . . OznačmeZ = X + Y .
Potom
P (Z = k) =k∑
i=0
piqk−i
pre k = 0, 1, 2, . . . .
7.7 Úloha. X a Y sú nezávislé náhodné velič́ınveličiny s
Poissonovým rozdeleńıms parametrom λ . Nájdite rozdelenie ich
súčtu.
Ak sú náhodné veličiny X a Y závislé , niekedy je rozumné
poč́ıtať nasledujúcuveličinu, ktorá sa už nepriamo vyskytla
vo Vete 8.4.
7.8 Defińıcia. Nech X a Y sú náhodné veličiny so strednými
hodnotami a dis-perziami. Potom stredná hodnota E((X − EX)(Y − EY
)) existuje a budeme junazývať kovarianciou X a Y (ozn. cov(X,Y
)).
7.9 Veta. Nech X a Y sú náhodné veličiny s kovarianciou
cov(X,Y ) , kdea, b, c, d ∈ R , ac > 0. Potom
(1) cov(X, X) = D(X)(2) cov(X, Y ) = cov(Y, X)(3) cov(X, Y ) =
E(XY )− E(X)E(Y )(4) cov(aX + b, cY + d) = accov(X, Y )
7.10 Dôsledok. Ak X a Y sú nezávislé, tak cov(X, Y ) = 0
Kovariancia sa dá použǐt na vytvorenie miery lineárnej
nezávislosti náhodnýchvelič́ın. Aby sme ich mohli porovnávať,
muśıme ich znormovať.
7.11 Lema. Nech X má strednú hodnotu E(X) a disperziu D(X).
Označme Y =X−EX√
D(X). Potom E(Y ) = 0 a D(Y ) = 1
7.12 Poznámka. Náhodnej veličiny s nulovou strednou hodnotou
a jednotkovoudisperziou budeme hovorǐt normovaná.
Koeficient korelácie budeme definovať ako kovarianciu
normovaných náhodnýchvelič́ın.
7.13 Defińıcia. Nech X a Y sú náhodné veličiny so
strednými hodnotamiE(X), E(Y ) a nenulovými disperziami D(X), D(Y
). Koeficient korelácie medziX a Y je č́ıslo
ρX,Y = cov(X − EX√
D(X),Y − EY√
D(Y ))
7.14 Veta. Nech ρX,Y je koeficient korelácie náhodných
velič́ın X a Y . Potom(1) −1 ≤ ρX,Y ≤ 1(2) |ρX,Y | = 1 práve
vtedy, keď Y = aX + b, a 6= 0 s pravdepodobnosťou 1(3) ρaX+b,cY
+d = sign(ac)ρX,Y pre a, b, c, d ∈ R, ac 6= 0(4) Ak X,Y sú
nezávislé, tak ρX,Y = 0
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 17
7.15 Úloha. Vypoč́ıtajte koeficient korelácie X a Y z
pŕıkladu 7.2 .
7.16 Pŕıklad. Nájdite pŕıklad náhodných velič́ın X, Y ,
ktoré nadobúdajú tri hod-noty, sú nekorelované, ale nie
nezávislé.
9.prednáška
Rozdelenie ľubovǒlnej náhodnej veličiny vieme určovať
pomocou jejdistribučnej funkcie. Bližšie budeme pracovať s
takými náhodnými premennými,ktorých rozdelenie alebo
distribučná funkcia sa dajú vyjadrǐt pomocou tzv. hustoty.
9.1 Defińıcia. Náhodná veličina je spojitá, ak existuje
nezáporná integrovatělnáfunkcia f tak, že pre každé x ∈ R
plat́ı
F (x) =∫ x−∞
f(t)dt
Funkcia f sa nazýva hustota.
9.2 Poznámka. Hustota nie je daná jednoznačne, ak ju zmeńıme
na konečnej alebospočitatělnej množine , zrejme dostaneme inú
hustotu toho istého rozdelenia. Tak-isto je dobré si uvedomǐt,
že sú náhodné veličiny, ktoré nie sú ani diskrétne,
anispojité (nájdite pŕıklad).
9.3 Úloha. Ukážte, že pre ľubovǒlnú nezápornú
integrovatělnú funkciu f : R → Rtakú, že
∫∞−∞ f(t)dt = 1 existuje náhodná veličina tak, že pre jej
distribučnú funkciu
plat́ı
F (x) =∫ x−∞
f(t)dt
9.4 Veta. Nech X je náhodná veličina s hustotou f . Potom
(1)∫∞−∞ f(t)dt = 1
(2) F je spojitá funkcia(3) P (a ≤ X < b) = ∫ b
af(t)dt
(4) P (X = a) = 0 pre každé a ∈ R
9.5 Pŕıklad. Náhodná veličina má rovnomerné rozdelenie v
intervale (a, b), ak máhustotu
f(t) =
0, pre t < a1
b−a , pre b ≤ t ≤ a,0 pre t > b
Nájdite jej distribučnú funkciu.
9.6 Pŕıklad. Nájdite distribučnú funkciu náhodnej veličiny
s hustotou
f(t) =
0, pre t < −1x + 1, pre −1 ≤ t ≤ 0,1− x pre 0 ≤ t ≤ 1,0 pre t
> 1
-
18 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
V ďaľsom budeme ȟladať vhodný pravdepodobnostný model pre
nasledujúcusituáciu. Sledujeme výskyt udalost́ı v čase
(napŕıklad pŕıchod SMS na náš mo-bil), pričom výskyty v
neprekrývajúcich sa časových intervaloch sú nezávislé.
Akoznač́ıme Q(t) pravdepodobnosť, že sledovaná udalosť sa
nevyskytne počas inter-valu d́lžky t, tak pre dva nadvazujúce
intervaly d́lžok t1 a t2 predpoklad nezávislostidáva
Q(t1 + t2) = Q(t1)Q(t2)
Pre danú situáciu je prirodzené ȟladať funkciu Q, aby bola
klesajúca, diferencov-atělná, kladná pre t ≥ 0 a Q(0) = 1.
Potom pre t > 0, h > 0 dostaneme
limh→0+
lnQ(t + h)− lnQ(t)h
= limh→0+
lnQ(h)h
čo je hodnota derivácie funkcie Q v bode 0. Označme ju −λ,
kde zrejme λ > 0.Potom pre Q dostávame diferenciálnu
rovnicu
d
dtlnQ(t) = −λ
ktorej riešeńım splňujúcim Q(0) = 0 je Q(t) = e−λ(t) . Ak
nás zauj́ıma náhodnáveličina X -doba prvého výskytu udalosti,
tak pre jej distribučnú funkciu plat́ı
F (t) = 1−Q(t) ={
1− e−λt, for t > 00, for t ≤ 0
teda jej hustota bude
f(t) ={
λe−λt, pret > 00, pre t ≤ 0
9.7 Defińıcia. Náhodná veličina má exponenciálne
rozdelenie s parametrom λ, akmá hustotu f(t) = 0 pre t ≤ 0, f(t) =
λe−λt pre t > 0.9.8 Úloha. Overte, že predošlá defińıcia je
korektná.
Podobne ako v pŕıpade diskrétnej náhodnej veličiny pokúsime
sa charakterizovaťspojitú náhodnú premennú jediným
č́ıslom.
9.9 Defińıcia. Nech X je spojitá náhodná veličina s
hustotou f . Ak integrál∫∞−∞ tf(t)dt absolútne konverguje, túto
hodnotu budeme nazývať strednou hod-
notou náhodnej veličiny X. V opačnom pŕıpade hovoŕıme, že
X nemá strednúhodnotu.
9.10 Pŕıklad. Nájdite strednú hodnotu rovnomerného
rozdelenia.(E(X) = a+b2 )
9.11 Pŕıklad. Nájdite strednú hodnotu exponenciálneho
rozdelenia. (E(X) = 1λ )
Ďaľsou dôležitou charakteristikou náhodnej veličiny je jej
disperzia. Aby smeju mohli poč́ıtať, potrebujeme vedieť nájsť
rozdelenie transformovanej náhodnejveličiny.
9.12 Pŕıklad. Nech X je náhodná veličina s rovnomerným
rozdeleńım v intervale(1, 2) a Y = 1X . Nájdite hustotu Y a E(Y
).
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 19
Postup z predošlého pŕıkladu možno za istých predpokladov
zovšeobecnǐt.
9.13 Veta. Nech X je spojitá náhodná veličina s hustotou f a
g jerýdzomonotónna funkcia, ktorá má všade nenulovú
deriváciu. Potom náhodnáveličina Y = g(X) má hustotu
h(y) = f(g−1)(y))|dg−1(y)dy
|
kde g−1 je inverzná funkcia ku g.
Na poč́ıtanie strednej hodnoty spojitej náhodnej veličiny
možno použǐt analógiuVety 6.5 v spojitom pŕıpade , ktorá bude
dokázaná neskôr.
9.14 Veta. Ak X je spojitá náhodná veličina s hustotou f , g
: R → R borelovská,tak
E(g(X)) =∫ ∞−∞
g(t)f(t)dt
ak g(X) má strednú hodnotu.
9.15 Úloha. Overte, že E(Y ) z Pŕıkladu 9.12 vyjde rovnako
použit́ım tejto vety.
Defińıcia disperzie z 6.9 je všeobecná takisto aj vety 6.6,
6.8, 6.10, 7.3 a 7.4(vlastnosti strednej hodnoty a disperzie)
platia v nezmenenej forme aj v spojitompŕıpade. Použit́ım týchto
tvrdeńı a Vety 9.14 dostaneme pre disperziu spojitejnáhodnej
veličiny s hustotou f nasledujúce možné vyjadrenia
D(X) =∫ ∞−∞
(x− E(X))2f(x)dx =∫ ∞−∞
(x−∫ ∞−∞
xf(x)dx)2f(x)dx
alebo nasledujúci výpočtovo výhodneǰśı vzorec
D(X) =∫ ∞−∞
x2f(x)dx− (∫ ∞−∞
xf(x)dx)2
9.16 Pŕıklad. Vypoč́ıtajte disperziu rovnomerného rozdelenia
v intervale (a, b)(D(X) = (b−a)
2
12 ).
9.17 Pŕıklad. Vypoč́ıtajte disperziu exponenciálneho
rozdelenia s parametrom λ(D(X) = 1λ2 ).
-
20 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
10.prednáška
Nový a najdôležiteǰśı typ spojitého rozdelenia sa dá
dostať pomocou známeho bi-nomického rozdelenia z nasledujúcej
vety, ktorej dôkaz vyplynie neskôr zovšeobecneǰśıch
tvrdeńı.
10.1 Veta(Moivreova Laplaceova). Nech Xn sú náhodné veličiny
s rozdeleńımbin(n,p), x ∈ R. Potom
limn→∞P (Xn − np√np(1− p) < x) =
∫ x−∞
1√2π
e−t22 dt
Funkciaf(t) =
1√2π
e−t22
je hustotou rozdelenia pravdepodobnosti a pŕıslušné
rozdelenie budeme volať nor-mované normálne rozdelenie a
značǐt N(0,1). Distribučnú funkciu
Φ(x) =∫ x−∞
1√2π
e−t22 dt
nemožno vyjadrǐt pomocou elementárnych funkcíı , preto pri
práci s ňou budemepouž́ıvať tabǔlky. Rozdelenie, ktoré bude
mať ľubovǒlná lineárna funkcia náhodnejveličiny s N(0,1)
budeme volať normálne. Zo symetrie hustoty vidno, že E(X) =
0,Φ(−x) = 1− Φ(x)10.2 Pŕıklad. Nájdeme hustotu náhodnej
veličiny Y = aX + b, a > 0, kde X ∼N(0, 1). Zrejme
FY (y) = P (Y < y) = P (aX + b < y) = P (X <y − b
a) = Φ(
y − ba
)
Hľadaná hustota teda bude
f(y) =1√
2πa2e−
(y−b)22a2
10.3 Defińıcia. Náhodná veličina má normálne rozdelenie s
parametrami µ a σ2,ak má hustotu
f(y) =1√
2πσ2e−
(y−µ)22σ2
10.4 Pŕıklad. Vypoč́ıtajte strednú hodnotu a disperziu
náhodnej veličinys rozdeleńım N(0, 1) (E(X) = 0, D(X) = 1).
10.5 Pŕıklad. Využite známe vlastnosti strednej hodnoty a
disperzie, výsledokpredǒlého pŕıkladu a nájdite strednú
hodnotu a disperziu náhodnej veličiny s rozde-leńım N(µ, σ2)
(E(X) = µ, D(X) = σ2).
-
PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK 21
10.6 Veta. Ak X ∼ N(µ, σ2), tak Y = X−µσ ∼ N(0, 1)10.7
Dôsledok. Ak X ∼ N(µ, σ2), tak pre ľubovoľné a, b ∈ R
P (a < X < b) = Φ(b− µ
σ)− Φ(a− µ
σ)
10.8 Pŕıklad. Náhodná veličina X má N(1,4). Nájdite
pravdepodobnosťP (0.5 < X < 2). Použite tabelované hodnoty
distribučnej funkcie N(0,1).
Význam normálneho rozdelenia sa dá vidieť z tzv.
centrálnych limitných viet,ktoré hovoria, že za istých
podmienok postupnosti súčtov náhodných velič́ın kon-vergujú k
normálnemu rozdeleniu. Jednou z takýchto viet je aj Veta 10.1.
Sformu-lujeme bez dôkazu ešte jednu všeobecneǰsiu limitnú
vetu.Bude hovorǐt o rozdeleńıpostupnosti súčtov nezávislých
náhodných velič́ın.
Nezávislosť v spojitom pŕıpade definujeme zdanlivo trochu
odlǐsne, pretožedefińıcia nezávislosti ako sme ju mali pre
diskrétne náhodné veličiny je v tomtopŕıpade nevhodná
(prečo?)
10.9 Defińıcia. Náhodné veličiny X a Y sú nezávislé, ak
pre ľubovǒlné x, y ∈ R :P (X < x ∧ Y < y) = P (X < x)P
(Y < y)10.10 Poznámka. Dá sa ukázať, že v pŕıpade
diskrétnych náhodných velič́ın je tátodefińıcia ekvivalentná
s defińıciou 7.1 .
10.11 Defińıcia. Náhodné veličiny X1, X2, . . . sú
nezávislé, ak pre každéx1, x2, · · · ∈ R sú nezávislé
udalosti (X1 < x1), (X2 < x2), . . . .10.12 Veta. Nech Xi je
postupnosť nezávislých rovnako rozdelených náhodnýchvelič́ın
so strednou hodnotou A a disperziou D. Potom
P (∑n
i=1 Xi − nA√nD
< x) =∫ x−∞
1√2π
e−t22 dt
10.13 Pŕıklad. Použit́ım Vety 10.12 dokážte Vetu 10.1.
10.14 Pŕıklad. Za istého kandidáta hlasuje vo vǒlbách 100p
percent voličov.Kǒlko volebných ĺıstkov treba vyhodnotǐt, aby
sa relat́ıvna početnosť hlasujúcichza tohto kandidáta ĺı̌sila
od p o menej ako 0.04 s pravdepodobnosťou 0.99?
Pri riešeńı predošlého pŕıkladu sme potrebovali nájsť v
tabǔlkách distribučnejfunkcie N(0, 1) takú hodnotu, ktorú
náhodná veličinanná s týmto rozdeleńımprekroč́ı s
pravdepodobnosťou α ∈ (0, 1).10.15 Defińıcia. Nech X je náhodná
veličina s distribučnou funkciou F .Funkciu F−1 definovanú
predpisom
F−1(u) = inf{x ∈ R : F (x) ≥ u} pre u ∈ (0, 1)
budeme nazývať kvantilová funkcia náhodnej veličiny F a
hodnota F−1(α) preα ∈ (0, 1) je α kvantil (ozn. u(α)).
-
22 PRAVDEPODOBNOSŤ A ŠTATISTIKA 1-MAT-180 FMFI UK
Tieto kvantily sú tabelované v štatistických tabǔlkách pre
rôzne typy rozdeleńı.V pŕıpade spojitého rozdelenia je
kvantilová funkcia totožná s obyčajnou inverznoufunkciou k
distribučnej funkciiF .
10.16 Pŕıklad. Nájdite kvantilovú funkciu k distribučnej
funkcii exponenciálnehorozdelenia.
Okrem kvantilov sa často použ́ıvajú tzv. kritické
hodnoty.
10.17 Defińıcia. Ak z(α) je také č́ıslo, že
P (Z > z(α)) = α
tak z(α) budeme nazývať kritickou hodnotou náhodnej veličiny
Z na hladine α.
Zrejme ak náhodná veličina má spojité rozdelenie, tak
z(α) = Φ−1(1− α)
Kritické hodnoty jednotlivých rozdeleńı bývajú tiež
tabelované.